Learning Cycles

Ein Learning Cycle ist eine Runde des Lernens, die aus vier Schritten besteht. Zuerst überlegt man sich, was besser werden soll. Dann probiert man eine Änderung aus. Danach misst man, ob sie wirklich geholfen hat. Zum Schluss zieht man einen Schluss daraus und startet die nächste Runde. Der deutsche Begriff dafür wäre schlicht Lernzyklus, im Berufsalltag setzt sich aber die englische Bezeichnung durch.

Warum die Rundenzeit über den Vorsprung entscheidet

Zwei Teams können gleich klug sein und trotzdem völlig unterschiedlich schnell vorankommen. Entscheidend ist, wie oft sie eine Runde abschließen. Ein Team, das jeden Tag eine Idee testet, sammelt in einem Monat rund dreißig Erkenntnisse. Ein Team, das drei Monate an einer einzigen großen Version baut, hat am Ende genau eine. Auch wenn diese eine Version besser durchdacht ist: dreißig kleine Korrekturen schlagen meistens einen großen Wurf.

Bei KI-Produkten kommt hinzu, dass niemand vorher weiß, was funktioniert. Ob Nutzer einen Chatbot verständlich finden, lässt sich nicht am Schreibtisch berechnen. Man muss es messen. Genau deshalb reden Firmen wie OpenAI, Google oder Anthropic so viel über Iterationsgeschwindigkeit. Iteration bedeutet dabei einfach: dieselbe Schleife noch einmal durchlaufen, nur mit besserem Wissen als beim letzten Mal.

Ein häufiger Irrtum ist, schnelle Zyklen seien dasselbe wie schlampiges Arbeiten. Das Gegenteil stimmt eher. Wer oft misst, merkt Fehler nach Tagen statt nach Monaten. Teuer wird ein Fehler nicht dadurch, dass er passiert, sondern dadurch, dass er lange unentdeckt bleibt.

Die vier Schritte einer Runde

Am Anfang steht eine Vermutung, die man widerlegen kann. Nicht « die Antworten sollen besser werden », sondern zum Beispiel: « Wenn das Modell längere Anweisungen bekommt, sinkt die Zahl der falschen Antworten. » Nur eine so formulierte Vermutung lässt sich am Ende klar bestätigen oder verwerfen.

Dann folgt die Änderung selbst. Sie sollte klein sein und nur eine Sache betreffen. Wer gleichzeitig das Modell wechselt, die Anweisung umschreibt und die Oberfläche umbaut, weiß hinterher nicht, welcher Teil gewirkt hat. Danach wird gemessen, und zwar mit einer vorher festgelegten Kennzahl. Bei Sprachmodellen sind das etwa der Anteil korrekt gelöster Testaufgaben, die Antwortzeit oder die Kosten pro Anfrage.

Der letzte Schritt wird am häufigsten übersprungen: das Festhalten des Ergebnisses. Auch ein Fehlschlag ist wertvoll, weil er eine Möglichkeit ausschließt. Ohne diese Notizen probiert ein halbes Jahr später jemand dieselbe Idee erneut. Erst wenn eine Erkenntnis in die nächste Runde einfließt, ist der Zyklus wirklich geschlossen.

Learning Cycles bei KI-Modellen und in der Schule

In Quartalsberichten und Tech-News taucht der Begriff meist als Begründung für Tempo auf. Wenn ein Unternehmen erklärt, es habe seine Learning Cycles von Wochen auf Tage verkürzt, meint es: Wir testen häufiger und korrigieren früher. Bei großen Sprachmodellen bestehen solche Runden oft aus automatischen Testsätzen, sogenannten Evaluationen, plus Rückmeldungen echter Nutzer.

Auch außerhalb der Technik gibt es das Prinzip. Ein Fußballteam schaut nach dem Spiel die Aufzeichnung an und übt in der Woche darauf gezielt eine Schwäche. Beim Lernen für eine Klausur funktioniert es genauso: Übungsaufgabe rechnen, Lösung vergleichen, den falsch verstandenen Schritt wiederholen. Wer nur liest und nie kontrolliert, hat keinen Zyklus, sondern nur einen Anfang.

Verwandt, aber nicht identisch, ist der Begriff Feedbackschleife. Eine Feedbackschleife beschreibt allgemein, dass ein Ergebnis auf das System zurückwirkt, auch ohne Absicht. Ein Learning Cycle ist bewusst geplant und hat ein Ziel. Der Unterschied liegt also nicht in der Form, sondern darin, ob jemand die Schleife absichtlich dreht.